Europäischer Petaflop-Chip soll leistungsfähige KI direkt am Endgerät ermöglichen

Warum ein Petaflop-Chip für den Arbeitsplatz relevant wird

Die Entwicklung künstlicher Intelligenz verlagert sich zunehmend von zentralen Cloud-Plattformen auf lokale Geräte. Sprachmodelle, Bildgeneratoren, Analysewerkzeuge und autonome Softwaresysteme werden nicht mehr ausschließlich auf entfernten Servern betrieben. Stattdessen sollen sie perspektivisch direkt auf Laptops, Arbeitsstationen, Industrieanlagen oder mobilen Geräten ausgeführt werden können.

In diesem Umfeld sorgt ein europäisches Forschungsprojekt für Aufmerksamkeit. Im Rahmen von Convolve entwickelt ein Team der Technischen Universität Eindhoven ein Chip-Design, das leistungsfähige KI-Berechnungen am sogenannten Edge ermöglichen soll. Als technische Zielgröße wird eine Rechenleistung von bis zu einem Petaflop genannt. Damit könnte ein kompakter Rechner theoretisch rund eine Billiarde mathematische Operationen pro Sekunde ausführen.

Die Meldung ist vor allem deshalb relevant, weil sie mehrere strategische Themen miteinander verbindet: die wachsende Nachfrage nach KI-Leistung, den hohen Energiebedarf zentraler Rechenzentren, Anforderungen an Datenhoheit sowie Europas Bestrebungen, bei Halbleitern und künstlicher Intelligenz unabhängiger von außereuropäischen Anbietern zu werden.

Gleichzeitig ist eine differenzierte Einordnung notwendig. Bei dem beschriebenen System handelt es sich nach den vorliegenden Informationen um ein Forschungs- und Entwicklungsprojekt. Die angegebene Petaflop-Leistung ist eine theoretische beziehungsweise spezifikationsbezogene Zielgröße und kein Beleg dafür, dass sämtliche KI-Anwendungen künftig auf einem gewöhnlichen Laptop oder Smartphone mit derselben Geschwindigkeit laufen werden.

Das Convolve-Projekt und der europäische Ansatz

Das Convolve-Projekt verfolgt den Ansatz, einen besonders effizienten Beschleuniger für Edge-Computing zu entwickeln. Edge-Computing bezeichnet die Verarbeitung von Daten in unmittelbarer Nähe ihres Entstehungsortes. Anstatt sämtliche Informationen an ein entferntes Rechenzentrum zu übertragen, werden Berechnungen auf dem Endgerät oder in einer lokalen Infrastruktur durchgeführt.

Für Unternehmen kann dieses Modell verschiedene Vorteile bieten. Produktionsdaten könnten beispielsweise in einer Fertigungsanlage ausgewertet werden, ohne kontinuierlich in eine externe Cloud übertragen zu werden. Ein medizinisches Gerät könnte bestimmte Analysen lokal ausführen. Ein Logistiksystem könnte Sensordaten unmittelbar am Standort verarbeiten. Auch generative KI-Anwendungen für Text, Bild oder Audio könnten in bestimmten Fällen ohne permanente Verbindung zu einem zentralen Dienst arbeiten.

Nach Angaben der Technischen Universität Eindhoven liegt ein Schwerpunkt des Projekts auf einem schichtübergreifenden Chip-Design. Dabei werden verschiedene Ebenen der Hardwareentwicklung von Beginn an gemeinsam betrachtet. Dazu gehören unter anderem Rechenlogik, Speicheranbindung, Datenübertragung und Energieverbrauch. Ein solcher Co-Design-Ansatz soll vermeiden, dass einzelne Komponenten zwar besonders leistungsfähig sind, das Gesamtsystem aber durch Engpässe bei Speicher oder Kommunikation ausgebremst wird.

Die Bedeutung dieses Ansatzes liegt in einer grundlegenden Eigenschaft moderner KI-Systeme: Die Rechenwerke sind nicht immer der alleinige limitierende Faktor. Viele Modelle müssen große Datenmengen zwischen Prozessor, Arbeitsspeicher und spezialisierten Beschleunigern bewegen. Jede Datenbewegung benötigt Zeit und Energie. Ein Chip, der Rechenleistung, Speicher und Kommunikationswege enger miteinander verbindet, kann deshalb effizienter arbeiten als ein System, bei dem die Komponenten weit voneinander entfernt sind.

Was „lokale KI“ technisch bedeutet

Lokale KI-Verarbeitung bedeutet nicht zwangsläufig, dass ein komplettes Sprachmodell dauerhaft auf einem einzelnen Endgerät gespeichert wird. In der Praxis sind unterschiedliche Betriebsmodelle möglich. Ein Gerät kann ein kleineres Modell vollständig lokal ausführen, nur einzelne Verarbeitungsschritte übernehmen oder gemeinsam mit einem lokalen Unternehmensserver arbeiten.

Auch eine hybride Architektur ist denkbar. Ein Gerät verarbeitet vertrauliche oder zeitkritische Daten vor Ort und übermittelt ausschließlich anonymisierte Ergebnisse an einen zentralen Dienst. Alternativ kann ein großes Modell in der Cloud bleiben, während Vorverarbeitung, Suche, Klassifizierung oder Nachbearbeitung lokal erfolgen.

Für B2B-Anwendungen ist diese Unterscheidung entscheidend. Nicht jede Aufgabe benötigt die maximale Modellgröße. Für Dokumentenklassifizierung, Qualitätskontrolle, Spracherkennung, Wartungsprognosen oder die Suche in internen Wissensbeständen können kleinere und spezialisierte Modelle ausreichen. Ein leistungsfähiger Edge-Chip könnte solche Szenarien wirtschaftlicher und unabhängiger von externen Datenverbindungen machen.

Der Energiebedarf zentraler KI-Infrastruktur

Der Hintergrund der Entwicklung ist der stark steigende Bedarf an KI-Rechenleistung. Moderne Modelle werden mit großen Datenmengen trainiert und anschließend von Millionen Nutzern und Unternehmen abgefragt. Sowohl das Training als auch die sogenannte Inferenz, also die Nutzung eines bereits trainierten Modells, benötigen spezialisierte Hardware.

In großen Rechenzentren werden dafür häufig Beschleuniger mit hoher Leistungsaufnahme eingesetzt. Neben der eigentlichen Rechenleistung muss die Infrastruktur auch Stromversorgung, Kühlung, Netzwerkverbindungen und Datenspeicher bereitstellen. Besonders leistungsfähige Anlagen benötigen unter Umständen eigene Netzanschlüsse oder zusätzliche Energieerzeugung.

Analysen und Prognosen zum weltweiten Strombedarf von KI unterscheiden sich je nach Modell, Annahmen und Betrachtungszeitraum. Eine im Zusammenhang mit dem Thema zitierte Gartner-Prognose ging davon aus, dass KI bis 2030 einen Anteil von etwa 3,5 Prozent am globalen Stromverbrauch erreichen könnte. Solche Vorhersagen sind mit Unsicherheiten verbunden. Sie verdeutlichen jedoch die Größenordnung der Infrastrukturfrage.

In den USA hat der Ausbau von Rechenzentren in mehreren Regionen zu Diskussionen über Netzbelastung, Wasserverbrauch, Lärm und Flächennutzung geführt. Auch in Texas, das den Bau neuer Anlagen zunächst stark unterstützte, wurden Einschränkungen und Prüfungen für größere Rechenzentrumsprojekte berichtet. In einzelnen Fällen werden zur Versorgung geplanter Standorte zusätzliche Kraftwerkskapazitäten erwogen.

Die Verlagerung von KI-Berechnungen auf lokale Geräte kann einen Teil dieser Belastung reduzieren. Wenn eine Anfrage nicht erst über das Internet an einen entfernten Server übertragen werden muss, entfallen Datenübertragung und ein Teil der zentralen Rechenzentrumsinfrastruktur. Der tatsächliche Energiegewinn hängt jedoch von mehreren Faktoren ab: der Effizienz des lokalen Chips, der Größe des Modells, der Anzahl der Anfragen, der Lebensdauer des Geräts und dem Energiebedarf für Herstellung und Betrieb.

Petaflop ist nicht gleich Anwendungsgeschwindigkeit

Die Bezeichnung Petaflop klingt nach einer eindeutigen Leistungsangabe, ist aber nur eingeschränkt aussagekräftig. Ein Petaflop steht für eine Billiarde Gleitkommaoperationen pro Sekunde. In der KI-Branche werden solche Werte häufig für bestimmte numerische Formate angegeben, etwa FP4, FP8 oder FP16. Je niedriger die numerische Präzision, desto höher kann die ausgewiesene Rechenleistung sein. Zugleich können Genauigkeit und Einsatzmöglichkeiten beeinflusst werden.

Für Unternehmen sind deshalb zusätzliche Kennzahlen relevant. Dazu zählen die Antwortzeit, die Anzahl verarbeiteter Anfragen pro Sekunde, die Leistung pro Watt, die verfügbare Speicherkapazität und die Unterstützung gängiger KI-Frameworks. Bei Sprachmodellen ist außerdem wichtig, wie viele Parameter lokal verarbeitet werden können und wie groß der Kontext eines Modells sein darf.

Ein Chip kann auf dem Papier eine hohe Rechenleistung erreichen, aber bei einem bestimmten Modell durch zu wenig Speicher oder eine langsame Datenzufuhr begrenzt werden. Ebenso kann ein lokales System zwar energieeffizient arbeiten, aber bei sehr großen Modellen hinter einem verteilten Cloud-Cluster zurückbleiben.

Die Petaflop-Angabe sollte daher als Hinweis auf das Potenzial der Architektur verstanden werden, nicht als pauschale Aussage über alle Anwendungsszenarien. Für einen belastbaren Vergleich wären standardisierte Benchmarks unter realen Bedingungen notwendig. Dazu gehören identische Modelle, gleiche Präzisionsformate, vergleichbare Eingaben sowie Messungen von Energieverbrauch und Gesamtkosten.

Datenschutz und Datenhoheit als zentrale Argumente

Die lokale Verarbeitung kann auch aus Sicht von Datenschutz und Compliance relevant sein. Werden sensible Dokumente, Kundendaten oder Betriebsinformationen an externe KI-Dienste übertragen, müssen Unternehmen prüfen, wo die Daten verarbeitet werden, welche Vertragsbedingungen gelten und welche technischen sowie organisatorischen Maßnahmen zum Schutz eingesetzt werden.

Eine lokale Ausführung kann den Datenfluss begrenzen. Informationen verbleiben dann auf dem Gerät oder in der eigenen Infrastruktur. Das kann die Kontrolle über vertrauliche Inhalte verbessern und die Abhängigkeit von externen Übertragungswegen verringern. Allerdings ist ein lokales System nicht automatisch sicher. Auch Endgeräte können angegriffen, manipuliert oder gestohlen werden. Sicherheitsupdates, Verschlüsselung, Zugriffskontrollen und eine belastbare Verwaltung der Modelle bleiben erforderlich.

Nach einer Bitkom-Umfrage halten 72 Prozent der Befragten die Verarbeitung ihrer Daten innerhalb Deutschlands für wichtig. Die Erhebung bezog sich auf die Akzeptanz von Rechenzentren und auf den Standort der Datenverarbeitung. Daraus lässt sich ein generelles Interesse an Datenhoheit ableiten. Für Unternehmen ist jedoch zwischen Datenstandort, rechtlicher Zuständigkeit, technischer Zugriffsmöglichkeit und tatsächlicher Verarbeitung zu unterscheiden.

Ein lokaler KI-Chip kann diese Aspekte unterstützen, ersetzt aber keine Datenschutzstrategie. Entscheidend ist, welche Daten verarbeitet werden, wie lange sie gespeichert bleiben, wer Zugriff auf die Systeme hat und ob Modelle möglicherweise vertrauliche Informationen ausgeben. Auch die Herkunft der Trainingsdaten und die Nachvollziehbarkeit von Ergebnissen bleiben unabhängig vom Ausführungsort wichtige Fragen.

Europas Halbleiterstrategie und technologische Souveränität

Der geplante Chip aus Eindhoven steht in einem breiteren europäischen Kontext. Die Covid-19-Pandemie, der Krieg in der Ukraine und geopolitische Spannungen haben gezeigt, wie anfällig globale Lieferketten für Halbleiter sein können. Europa ist in mehreren Bereichen der Chipentwicklung stark, verfügt jedoch nur über begrenzte Fertigungskapazitäten für besonders moderne Produktionsverfahren.

Parallel entstehen weitere europäische Initiativen. An der Technischen Universität München wurde nach Angaben der Hochschule ein KI-Chip in einer Strukturbreite von sieben Nanometern entwickelt. Die Fertigung entsprechender Designs soll perspektivisch in Dresden erfolgen. Der neuromorphe Ansatz zielt ebenfalls darauf, KI-Aufgaben energieeffizient direkt auf Geräten auszuführen.

Diese Projekte verfolgen nicht zwangsläufig identische technische Ziele. Ein Chip kann auf hohe Durchsatzleistung optimiert sein, ein anderer auf besonders niedrigen Energieverbrauch oder die Verarbeitung bestimmter neuronaler Strukturen. Gemeinsam ist ihnen der Versuch, europäische Kompetenzen bei KI-Prozessoren, Chipdesign und Fertigung auszubauen.

Technologische Souveränität bedeutet dabei nicht vollständige Autarkie. Selbst ein europäisches Chipdesign kann auf internationale Fertigungsstandards, Produktionsanlagen, Patente und Lieferketten angewiesen sein. Ein nachhaltiger Ökosystemaufbau erfordert daher nicht nur Forschung, sondern auch Investitionen in Fertigung, Software, Testverfahren, Verpackung, Speichertechnologien und Fachkräfte.

Wettbewerb durch leistungsfähige Desktop-Systeme

Der Markt für lokale KI-Hardware entwickelt sich nicht ausschließlich in Europa. Auch internationale Anbieter arbeiten an Desktop- und Workstation-Systemen, die hohe KI-Leistung mit einer lokalen Ausführung kombinieren. Für 2026 wurden unter anderem Systeme von NVIDIA angekündigt, die eine Arm-basierte CPU mit einer spezialisierten GPU verbinden und in bestimmten Rechenformaten ebenfalls eine Leistung von rund einem Petaflop erreichen sollen.

Diese Produkte richten sich unter anderem an Entwickler, Forschungseinrichtungen, Kreativbranchen und Unternehmen, die größere Modelle lokal testen oder betreiben möchten. Sie zeigen, dass die Verlagerung von KI auf den Schreibtisch ein internationales Technologiethema ist. Für europäische Projekte entsteht dadurch ein Wettbewerb, bei dem nicht allein die Rechenleistung zählt.

Ebenso relevant sind Preis, Verfügbarkeit, Lieferfähigkeit, Softwarekompatibilität, Wartung und Energieeffizienz. Ein europäischer Chip könnte insbesondere dort Vorteile bieten, wo Anforderungen an Datenresidenz, industrielle Anpassbarkeit oder langfristige Lieferbeziehungen eine Rolle spielen. Ob daraus ein wettbewerbsfähiges Produkt entsteht, hängt von der Überführung des Forschungsdesigns in eine stabile Serienfertigung ab.

Welche Anwendungen besonders profitieren könnten

Die lokale Ausführung leistungsfähiger Modelle ist vor allem für Anwendungen interessant, bei denen kurze Reaktionszeiten, eingeschränkte Netzverbindungen oder hohe Anforderungen an die Vertraulichkeit bestehen.

• Industrie und Maschinenbau: Kamerasysteme können Produktionsfehler direkt an der Linie erkennen. Wartungsmodelle können Sensordaten analysieren, ohne sie an einen entfernten Dienst zu übertragen.
• Gesundheitswesen: Medizinische Geräte könnten bestimmte Voranalysen lokal durchführen. Die konkrete Nutzung bliebe an regulatorische Vorgaben und eine medizinische Validierung gebunden.
• Finanzwesen: Betrugserkennung und Anomalieanalyse könnten näher an den internen Transaktionssystemen erfolgen.
• Logistik: Routen, Lagerbewegungen und Zustandsdaten könnten auch an Standorten mit begrenzter Konnektivität ausgewertet werden.
• Arbeitsplatzsoftware: Assistenten für Dokumente, Meetings, Recherche oder Wissensmanagement könnten sensible Inhalte lokal oder innerhalb eines Unternehmensnetzwerks verarbeiten.
• Öffentliche Verwaltung: Behörden könnten KI-Funktionen auf kontrollierter Infrastruktur betreiben und dabei spezifische Anforderungen an Datenhaltung und Nachvollziehbarkeit berücksichtigen.
• Robotik und autonome Systeme: Roboter und Fahrzeuge benötigen häufig Entscheidungen mit sehr geringer Verzögerung. Eine lokale Verarbeitung kann die Abhängigkeit von einer stabilen Internetverbindung verringern.

In all diesen Bereichen entscheidet jedoch die konkrete Systemarchitektur. Ein lokaler Chip löst nicht automatisch Fragen der Modellqualität, Haftung, Erklärbarkeit oder Prozessintegration. Für den produktiven Einsatz müssen Unternehmen zusätzlich prüfen, wie Modelle aktualisiert, überwacht und gegen Fehlentscheidungen abgesichert werden.

Grenzen des Edge-Computing

Die lokale Verarbeitung bringt nicht nur Vorteile. Große KI-Modelle benötigen erheblichen Speicher. Werden mehrere Nutzer gleichzeitig bedient, kann ein einzelnes Gerät schnell an seine Grenzen stoßen. In Unternehmen müssen außerdem viele Endgeräte verwaltet und regelmäßig aktualisiert werden. Das erhöht den Aufwand für IT-Abteilungen.

Ein weiterer Faktor ist die Modellpflege. Cloud-Anbieter können neue Modelle zentral bereitstellen und ihre Infrastruktur dynamisch skalieren. Bei lokalen Systemen müssen Modelle verteilt, getestet und gegebenenfalls auf unterschiedliche Hardware angepasst werden. Auch Sicherheitslücken in Bibliotheken oder Treibern müssen auf jedem Gerät geschlossen werden.

Hinzu kommt, dass das Training großer Modelle weiterhin auf umfangreiche Rechenzentren angewiesen ist. Selbst wenn die spätere Nutzung lokal erfolgt, bleiben zentrale Infrastrukturen für Entwicklung, Training, Datenaufbereitung und Qualitätssicherung erforderlich. Die Diskussion verschiebt sich damit von der Frage „Cloud oder lokal?“ zu einer Aufteilung der Rechenlast nach Aufgaben.

Für viele Unternehmen dürfte ein hybrides Modell die praktikabelste Lösung sein. Standardisierte, wenig sensible Aufgaben können lokal ausgeführt werden. Komplexe Analysen, Modelltraining oder stark schwankende Lasten werden an zentrale Systeme ausgelagert. Eine solche Kombination kann Kosten, Datenschutz und Leistungsanforderungen miteinander ausbalancieren.

Was Unternehmen jetzt beobachten sollten

Für IT- und Geschäftsverantwortliche ist die Entwicklung vor allem wegen ihrer möglichen Auswirkungen auf Beschaffung, Datenschutz und Softwarearchitektur relevant. Bevor lokale KI-Hardware angeschafft wird, sollten Unternehmen ihre tatsächlichen Anforderungen analysieren.

• Welche Daten dürfen das eigene Netzwerk nicht verlassen?
• Welche Anwendungen benötigen eine besonders kurze Antwortzeit?
• Welche Modelle und Präzisionsformate werden von der Hardware unterstützt?
• Wie hoch sind Anschaffungs-, Betriebs- und Wartungskosten über den gesamten Lebenszyklus?
• Wie werden Modelle, Treiber und Sicherheitsupdates zentral verwaltet?
• Welche Schnittstellen bestehen zu vorhandenen Systemen und KI-Plattformen?
• Wie lässt sich die Leistung unter realistischen Unternehmenslasten messen?

Für Anbieter von KI-Software, darunter Plattformen für Texte, Bilder, Recherche und automatisierte Arbeitsabläufe, könnte lokale Hardware neue Bereitstellungsmodelle ermöglichen. Funktionen könnten teilweise auf dem Endgerät laufen, während anspruchsvollere Aufgaben über sichere Unternehmens- oder Cloud-Dienste abgewickelt werden. Dabei werden klare Regeln für Datenflüsse, Berechtigungen und Protokollierung wichtiger.

Von der Forschungsleistung zur marktfähigen Plattform

Zwischen einem funktionierenden Chip-Prototyp und einem verfügbaren Unternehmensprodukt liegen mehrere Entwicklungsphasen. Dazu gehören die Optimierung des Designs, die Herstellung von Testserien, die Validierung unter Dauerlast, die Entwicklung von Treibern und Compilern sowie die Integration in bestehende Betriebssysteme.

Besonders anspruchsvoll ist die Softwareseite. KI-Anwendungen benötigen Bibliotheken, Modellformate und Entwicklungswerkzeuge, die den jeweiligen Beschleuniger unterstützen. Ohne ein leistungsfähiges Ökosystem können selbst gute Chips nur eingeschränkt genutzt werden. Für Unternehmen ist daher entscheidend, ob ein Anbieter langfristig Support, Sicherheitsupdates und Kompatibilität mit verbreiteten Frameworks sicherstellt.

Auch die Fertigungskapazität spielt eine Rolle. Ein Chipdesign kann technisch überzeugen, aber bei begrenzten Produktionsmengen oder langen Lieferzeiten wirtschaftlich unattraktiv bleiben. Die europäische Halbleiterpolitik setzt deshalb zunehmend auf die Verbindung von Forschung, industrieller Produktion und Nachfrage aus öffentlichen sowie privaten Anwendungen.

Ein Baustein für eine verteilte KI-Infrastruktur

Der in Eindhoven entwickelte Ansatz zeigt, wie sich die Architektur der KI-Infrastruktur verändern könnte. An die Stelle weniger zentraler Rechenzentren könnte ein stärker verteiltes System treten, in dem Endgeräte, Unternehmensserver, regionale Rechenzentren und große Cloud-Plattformen zusammenarbeiten.

Ein Petaflop auf dem Schreibtisch wäre in diesem Modell kein vollständiger Ersatz für Supercomputer. Er könnte jedoch bestimmte Workloads von der Cloud wegverlagern und dadurch Datenwege, Latenzen und zentrale Rechenlast reduzieren. Für Unternehmen entstünde mehr Auswahl bei der Frage, wo KI-Anwendungen ausgeführt werden.

Ob sich der europäische Chip durchsetzt, wird von der technischen Umsetzung, der Energieeffizienz, dem Preis und der Verfügbarkeit abhängen. Ebenso wichtig sind offene Softwarestandards, verlässliche Produktionspartner und klare Sicherheitskonzepte. Die weitere Entwicklung sollte daher nicht nur anhand einer einzelnen Leistungszahl bewertet werden.

Fest steht: Die Nachfrage nach lokaler KI wächst, weil Unternehmen mehr Kontrolle über Daten, Kosten und Verfügbarkeit benötigen. Das Convolve-Projekt ordnet sich in diese Entwicklung ein und macht sichtbar, dass Europa nicht ausschließlich bei Cloud-Diensten, sondern auch bei den zugrunde liegenden Hardwarekonzepten eigene Lösungen entwickeln will. Bis aus dem Forschungsansatz ein breit verfügbares Produkt wird, sind jedoch weitere technische und wirtschaftliche Schritte erforderlich.

Bibliografie

Technische Universiteit Eindhoven: „Bringing powerful AI computing to the edge“, 8. September 2026. https://www.tue.nl/en/news-and-events/news-overview/08-09-2026-bringing-powerful-ai-computing-to-the-edge

t3n: „1 Petaflop auf dem Schreibtisch: Dieser EU-Chip könnte eine Alternative zu US-Rechenzentren sein“, Noëlle Bölling, 20. September 2026. https://t3n.de/news/1-billiarde-berechnungen-eu-chip-ki-verarbeitung-1762775/

Bitkom: „Kritik an Energieverbrauch: Mehrheit offen für Rechenzentren vor der Haustür“. https://www.bitkom.org/Presse/Presseinformation/Kritik-Energieverbrauch-Mehrheit-offen-Rechenzentren-vor-Haustuer

Gartner: Informationen zu Prognosen über den Energiebedarf künstlicher Intelligenz und der Informationstechnologie. https://www.gartner.de/de/smarterwithgartner

Office of the Governor of Texas: Informationen zu einer umfassenden Prüfung von Rechenzentrumsprojekten. https://gov.texas.gov/news/post/governor-abbott-directs-comprehensive-data-center-audit

Technische Universität München: „TUM baut eigenen KI-Chip in 7-nm-Technologie“, 4. Februar 2026. https://www.tum.de/aktuelles/alle-meldungen/pressemitteilungen/details/tum-baut-eigenen-ki-chip-in-7-nm-technologie

IT-Boltwise: „NVIDIA RTX Spark: Arm-PC-Chip mit Petaflop-KI greift x86 an“, 9. Juni 2026. https://www.it-boltwise.de/nvidia-rtx-spark-arm-pc-chip-mit-petaflop-ki-greift-x86-an.html

Borncity: „RTX Spark: NVIDIAs KI-Chip mit 1 Petaflop kommt im Herbst“, 1. Juli 2026. https://borncity.com/news/rtx-spark-nvidias-ki-chip-mit-1-petaflop-kommt-im-herbst/